[论文解读] On the equivalence of molecular graph convolution and molecular wave function with poor basis set

Masashi Tsubaki, Teruyasu Mizoguchi|arXiv (Cornell University)|Nov 16, 2020

Machine Learning in Materials Science被引用 2

一句话总结

本文提出量子深度场（QDF），一种基于密度泛函理论（DFT）的机器学习模型，通过单层线性图卷积网络（GCN）与两个前馈神经网络，将分子图映射为能量预测结果，用于学习量子力学泛函。该模型在小分子上进行训练，大分子上进行测试，实现了优异的外推性能，展现出强大的泛化能力与材料发现的实用潜力。

ABSTRACT

In this study, we demonstrate that the linear combination of atomic orbitals (LCAO), an approximation of quantum physics introduced by Pauling and Lennard-Jones in the 1920s, corresponds to graph convolutional networks (GCNs) for molecules. However, GCNs involve unnecessary nonlinearity and deep architecture. We also verify that molecular GCNs are based on a poor basis function set compared with the standard one used in theoretical calculations or quantum chemical simulations. From these observations, we describe the quantum deep field (QDF), a machine learning (ML) model based on an underlying quantum physics, in particular the density functional theory (DFT). We believe that the QDF model can be easily understood because it can be regarded as a single linear layer GCN. Moreover, it uses two vanilla feedforward neural networks to learn an energy functional and a Hohenberg--Kohn map that have nonlinearities inherent in quantum physics and the DFT. For molecular energy prediction tasks, we demonstrated the viability of an ``extrapolation,'' in which we trained a QDF model with small molecules, tested it with large molecules, and achieved high extrapolation performance. This will lead to reliable and practical applications for discovering effective materials. The implementation is available at this https URL.

研究动机与目标

• 建立量子化学中原子轨道线性组合（LCAO）与分子图卷积网络（GCNs）之间的理论等价性。
• 通过提出一种更简单、基于物理原理的替代方案，解决GCN在分子系统中引入的冗余非线性与深层架构等局限性。
• 开发一种机器学习模型，利用基本的量子物理原理（尤其是DFT），以提升分子能量预测中的泛化能力。
• 实现从小分子到大分子的可靠外推，满足材料发现的关键需求。
• 提供一种既可解释又可扩展的模型，通过将量子力学原理直接嵌入架构中实现。

提出的方法

• 形式化LCAO与GCNs之间的等价性，证明LCAO在数学上等价于在分子图上应用的线性GCN层。
• 提出量子深度场（QDF）作为基于单层线性GCN的简化模型，避免深层架构与冗余非线性。
• 使用两个标准前馈神经网络分别学习能量泛函与Hohenberg–Kohn映射，二者均天然编码了量子力学非线性。
• 在小分子上训练QDF模型，并在更大、未见过的分子上评估其性能，以测试外推能力。
• 将模型嵌入密度泛函理论（DFT）框架中，确保物理一致性与可解释性。
• 在实现中注重效率与可扩展性，支持在材料发现流程中的实际部署。

实验结果

研究问题

• RQ1 量子化学中的原子轨道线性组合（LCAO）形式能否在数学上正式映射为分子图上的图卷积网络（GCNs）？
• RQ2 为何标准的分子GCN引入了不必要的复杂性（如深层架构与非线性）？当更简单的模型可能已足够时，原因是什么？
• RQ3 如何设计一种机器学习模型，使其能嵌入DFT等基本量子力学原理，同时保持高泛化能力？
• RQ4 在小分子上训练的模型能否有效泛化到大分子？这对材料发现意味着什么？
• RQ5 像QDF这样的物理启发模型在外推任务中，相较于标准GCN，其性能优势在多大程度上体现？

主要发现

• 量子化学中使用的LCAO方法在数学上等价于应用于分子图的线性图卷积网络。
• 图卷积网络在建模分子系统时引入了冗余的非线性和深层架构，而这些在基于量子力学的建模中并非必需。
• 所提出的量子深度场（QDF）模型基于单层线性GCN，实现了分子能量预测的高性能。
• QDF模型通过从小分子有效泛化到更大、未见过的分子，展现出强大的外推能力。
• 模型通过使用两个前馈网络学习能量泛函与Hohenberg–Kohn映射，确保了内在量子力学非线性的保留。
• QDF的实现已公开发布，支持可复现性，并可进一步推动材料发现应用的发展。